Digital Real Estate: Estimations par les algorithmes.

Importance croissante du machine learning

Le machine learning (ou apprentissage automatique) est un sous-domaine de l’intelligence artificielle qui vise à déduire des connaissances à l’aide d’un algorithme sur la base de modèles de données reconnus. Pour ce faire, de grandes quantités de données sont d’ordinaire analysées. L’algorithme apprend grâce aux données existantes, améliorant ainsi sa précision.

Ces dix dernières années, le machine learning s’est imposé dans de nombreux domaines du quotidien, à la faveur notamment de la forte augmentation de la puissance de calcul des ordinateurs modernes. L’estimation immobilière n’échappe pas à cette tendance.

Modèles hédoniques, la norme dans l’évaluation de biens immobiliers

Le machine learning est loin d’être nouveau. Depuis plus de 20 ans, les modèles hédoniques, qui font également partie des méthodes de machine learning, se sont imposés comme la norme dans l’évaluation de la propriété du logement. Depuis leur introduction, ils ont sans cesse été améliorés, si bien qu’aujourd’hui, on adopte de plus en plus la méthode d’estimation assistée par ordinateur, même pour des immeubles de rapport de moins grande taille. Le prix d’un bien immobilier est déduit à partir des différentes caractéristiques de l’objet. Ce faisant, l’algorithme optimise la modélisation afin de réduire au maximum l’erreur d’estimation. Les modèles hédoniques ont sensiblement amélioré la transparence sur le marché immobilier suisse.

La recherche se concentre sur de nouveaux algorithmes de machine learning

Le succès des modèles hédoniques et la disponibilité optimisée des données immobilières ont donné un nouvel élan à la recherche sur le marché immobilier en Suisse. Celle-ci se tourne cependant vers de nouveaux algorithmes de machine learning, telles que les méthodes Random Forest et Gradient Boosting. Ces méthodes recourent à des arbres de décision dans leur mode de fonctionnement.

Ces arbres sont la visualisation de critères de décision séquentiels et hiérarchisés. Dans le cas de l’estimation immobilière, ils permettent de déterminer et de prévoir le prix d’un bien immobilier. De manière générale, plus un arbre est complexe et étendu, plus les prévisions concernant tous les biens dans l’ensemble de données sont précises.Il faut toutefois veiller à ce que le modèle ne soit pas trop spécifique.

Modélisation complexe avec des réseaux neuronaux

Les arbres de décision ne sont pas les seuls moyens de modéliser les prix de l’immobilier à l’aide de méthodes de machine learning. Les réseaux neuronaux artificiels, qui s’inspirent du fonctionnement du système nerveux humain et de sa multitude de connexions neuronales, sont une option prisée. La structure du réseau neuronal permet la combinaison et l’interaction complexes de différentes variables explicatives.

De meilleurs résultats, mais les modèles restent une boîte noire

La possible amélioration des estimations immobilières par des méthodes de machine learning modernes ou des réseaux neuronaux artificiels a aussi son revers. En effet, alors que l'interprétabilité des modèles hédoniques leur confère un avantage, les méthodes modernes de machine learning sont moins transparentes, ce qui pose certaines difficultés dans la pratique, p. ex. lors des entretiens avec les clients.

Autre inconvénient de ces méthodes: elles présentent une volatilité plus élevée que celle des modèles hédoniques classiques dès lors qu’elles sont appliquées sur plusieurs trimestres. Par conséquent, la valeur d’un bien immobilier varie nettement plus d’un trimestre à l’autre avec ces modèles.

Les modèles d’estimation immobilière Modelle ont encore des lacunes

Les méthodes de machine learning modernes ont en outre les mêmes défauts que les modèles hédoniques classiques. Confrontés à des éléments inconnus, elles restent à la peine. Les biens de luxe ou d’exception sont plus difficiles à estimer. Et un décalage temporel persiste, quel que soit le modèle retenu. Les données de transaction utilisées pour la modélisation datent au mieux du trimestre précédent. Aucun des modèles ne peut donc refléter les changements de prix actuels sur le marché. Or ce problème devrait s’inscrire dans la durée.

Indépendamment de l’algorithme choisi, un certain potentiel d’optimisation demeure, surtout en matière de saisie des données, car à l’heure actuelle, l’algorithme doit encore souvent être alimenté manuellement. Si la microsituation, c’est-à-dire l’environnement proche d’un bien immobilier, est déterminée automatiquement dans la plupart des modèles grâce à l’adresse indiquée, le standing du bien et l’état du bâtiment doivent eux être évalués par un humain. Le machine learning devrait donc permettre d’automatiser davantage la saisie des données.

Conclusion: Le machine learning est utile, mais n’a rien d’une solution miracle

Pour résumer, les méthodes modernes de machine learning peuvent encore améliorer la qualité des prévisions des évaluations immobilières – avec toutefois des inconvénients: une transparence réduite et une volatilité accrue au fil du temps. Les méthodes modernes de machine learning ne devraient par conséquent être utilisées qu’avec parcimonie dans le financement immobilier des banques, dans un premier temps du moins. Des approches hybrides alliant modèles hédoniques traditionnels et méthodes de machine learning modernes pourraient être une solution.